⚛️ quantum physics

Hardware-inspired Continuous Variables Quantum Optical Neural Networks

本文提出了一种用于连续变量量子光学神经网络的实验可行性框架，该框架利用高斯变换和多模光子减法来实现通用逼近和强泛化能力，并由一个能够进行精确非高斯态计算的新型高性能仿真库提供支持。

原作者： Todor Krasimirov-Ivanov, Alba Cervera-Lierta, Paolo Stornati, Federico Centrone

发布于 2026-01-15

📖 1 分钟阅读🧠 深度阅读

原作者： Todor Krasimirov-Ivanov, Alba Cervera-Lierta, Paolo Stornati, Federico Centrone

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你想要制造一台能够像人类大脑一样学习模式的机器。通常，我们使用硅芯片和数学来构建这些“神经网络”。但本文提出，我们可以利用光（光子）而不是电力来构建它。

以下是他们实现这一目标的简单拆解，使用了日常生活的类比：

1. 问题所在：光太“礼貌”了

在光的领域中，存在两种行为类型：

“礼貌”的部分（高斯/Gaussian）： 比如镜子、透镜和分束器。如果你让光穿过它们，光会改变形状或方向，但它仍然是可预测且“平滑”的。这就像混合颜料；你会得到一种新的颜色，但不会发生任何令人惊讶的事情。
“狂野”的部分（非高斯/Non-Gaussian）： 要制造一个聪明的“大脑”，你需要让事物变得有点“狂野”或不可预测。这被称为非线性（nonlinearity）。在传统的实验中，创造这种“狂狂野性”极其困难。这通常需要极其昂贵且稀有的设备（比如“克尔门/Kerr gate”，这就像试图用一种几乎不存在的材料让两束光进行对话）。

2. 解决方案：“减法”技巧

作者发现了一个更聪明、更简单的办法，无需使用那些稀有材料就能让光变得“狂野”。他们使用了一个叫做**光子减法（Photon Subtraction）**的技巧。

类比： 想象你有一条非常平滑、平静的河流（光束）。要让它变得有趣，你不需要建造一座巨大的水坝或瀑布。你只需要从河里舀出一小杯水即可。
神奇之处： 令人惊讶的是，仅仅从特定类型的光束（“挤压态/squeezed”光束）中移除极少量的水（一个光子），就会改变剩余所有水的本质。它会在数据中创造出一个“凸起”或一条曲线。
结果： 这个小小的“舀水”动作恰好充当了计算机大脑中的激活函数（activation function）。它将一个简单的线性数学问题转变为一个复杂的、曲线型的数学问题，从而能够解决难题。

3. 架构：一层“光之大脑”

团队构建了一个单层的这种“光之大脑”（QONN），其工作原理如下：

输入： 你将数据作为一束光输入（就像激光笔一样）。
“仿射”部分（The "Affine" Part）： 光通过由镜子、分束器和挤压器组成的迷宫。这会对数据进行线性重排（就像洗牌一样）。
“神经元”部分： 光击中一个特殊的探测器，该探测器会“减去”一个光子。这就是神经元。它为数据增加了必要的“狂野性”（非线性）。
输出： 你再次测量光以获取答案。

重大发现： 他们在数学上证明了，你并不需要一个深层的、多层结构的大脑来解决几乎所有的问题。只要有足够多这种“舀光子”神经元的单层结构，就足以学习任何模式。这是一个巨大的进步，因为这意味着机器可以制造得更加简单且成本更低。

4. 模拟器：超级计算机“水晶球”

制造这些光机器非常困难，因此团队编写了一个名为 QuaNNTO 的超快速计算机程序来进行预先测试。

旧方法： 通常，在计算机上模拟光就像试图数清沙滩上的每一粒沙子。你必须猜测沙子在哪里停止（即“截断/cutoff”），这会导致模拟结果不准确。
他们的新方法： 他们使用了一种特殊的数学技巧（Wick–Isserlis 展开），使他们能够精确计算光的行为，而无需去数沙粒。他们可以完美地模拟光的无限可能性，从而能够在构建实际机器之前，先在超级计算机上训练这个“光之大脑”。

5. 他们测试了什么？

他们让他们的“光之大脑”通过了三种类型的测试，以证明其有效性：

曲线拟合（Curve Fitting）： 他们要求机器在一组杂乱的点中画出一条复杂的、波浪形的线。一个标准的（没有“舀水”动作的）光机器只能画出直线。而他们的机器画出了一条完美的波浪线。
分类（排序/Classification）： 他们向机器展示了“月亮”和“圆圈”的图片（两种混合在一起的形状）。机器学会了画出一条曲线来完美地分隔它们，而一个只能画直线的机器无法做到这一点。
门合成（Gate Synthesis）： 他们要求机器模仿一种非常复杂的、理论上的光工具（“立方相位门/cubic phase gate”）的行为。机器学会了如此完美地复制其行为，以至于它可以取代那个难以制造的工具。

核心结论

本文表明，我们只需通过移除微小的光量，而不是试图强迫光去做那些不可能完成的任务，就可以构建一个强大的、可训练的“大脑”。这为未来提供了一个蓝图：未来的量子计算机可以使用标准的、现成的光学元件来构建，从而使其更容易构建和规模化。

技术摘要：硬件启发式连续变量量子光学神经网络

问题陈述

连续变量（CV）量子光学神经网络（QONN）的发展面临着实验可行性与计算通用性之间的根本权衡。高斯操作（位移、挤压、分束器）虽然在硬件上可实现并能诱导仿射变换，但缺乏实现通用函数逼近所需的非线性。实现通用性通常需要非高斯资源。然而，标准的非高斯幺正变换方案（如克尔门或三次相位门）由于三阶易感性极弱或需要高性能前馈和定制辅助态，在实验上极具挑战性。此外，对连续变量系统的经典模拟通常依赖于对无限维希尔伯特空间进行截断（Fock 空间截断），这会引入近似误差并限制可扩展性。

方法论

作者提出了一种新型且具有实验可行性的 QONN 架构，该架构利用**启发式光子减法（heralded photon subtraction）**作为主要的非线性来源，从而避免了使用困难的确定性非高斯门。该架构由以下层组成：

输入编码： 输入数据向量通过位移算符被编码为实相干态。
高斯处理： 应用一个可调的通用高斯幺正算符 ( $\hat{G}$ )。该算符通过 Bloch-Messiah 分解为一系列干涉仪 ( $\hat{U}_1, \hat{U}_2$ )、单模挤压器 ( $\hat{S}$ ) 和位移器 ( $\hat{D}$ )。该层对光学正交分量执行仿射变换。
非线性激活： 通过湮灭算符 ( $\hat{a}$ ) 执行多模光子减法。在物理实现上，这是通过将信号模的一小部分通过分束器耦合到辅助真空模上，并以检测到单个光子的事件作为条件（启发）来完成的。
读取： 输出通过对位置正交分量 ( $\langle \hat{x} \rangle$ ) 进行同相检测获得。

理论框架：
该研究的一个关键方法论贡献是推导出了网络输出的闭式解析表达式。通过利用 Bogoliubov 变换和 Wick–Isserlis 展开（针对非零均值进行了推广），作者将所得观测量的期望值完全表示为底层高斯态的一阶和二阶统计矩（均值和协方差）的函数。这种方法：

避免了 Fock 空间截断，从而可以在无限维希尔伯特空间中进行精确模拟。
通过解析导数实现基于梯度的训练。
将光子减法操作映射为一类特定的可调脊状激活函数（tunable ridge activation functions）。

模拟工具：
为了验证理论，作者开发了 QuaNNTO，这是一个基于 JAX 框架的高性能 Python 库。它利用推导出的解析表达式来计算精确的期望值，并在 MareNostrum 5 超级计算机上进行基于梯度的优化。

核心贡献

解析激活函数： 论文推导出了一个闭式表达式（公式 17），证明了在挤压相干态上进行光子减法会诱导出一种非多项式的、可调的激活函数。该函数的形状和增益由挤压参数 $r$ 控制。
单层中的通用逼近： 作者证明了具有线性读取的单层 QONN 满足通用逼近定理 (UAT)。每个经过光子减法的模式实际上充当了一个量子光学神经元。当多个模式相关联时，会产生额外的非线性交叉项，从而增强表达能力。
硬件可行设计： 该架构仅依赖于当前光子技术中现有的组件：局部振荡器、分束器、相位移相器、光学参量放大器（用于挤压）、单光子探测器和光电探测器。
精确经典模拟： 基于 Wick–Isserlis 的框架允许对非高斯 QONN 进行精确的经典模拟，而无需承担与 Fock 空间截断相关的计算开销或近似误差。

结果

所提出的框架在三个任务上进行了基准测试：

曲线拟合： 使用光子减法的单层 QONN 成功学习了来自噪声数据集的复杂非线性函数（多项式、指数、振荡函数）。相比之下，纯高斯网络（不含减法）仅限于线性拟合。增加减去的模式数量（神经元）可将拟合误差降低至零，这与 UAT 一致。
分类：
- 月牙（Moons）与圆环（Circles）： 单层 QONN 在“月牙”数据集上仅需一个神经元即可达到完美准确率；在“圆环”数据集上则需要三个神经元（后者需要一个辅助模来平衡概率）。纯高斯网络无法学习必要的非线性决策边界。
- MNIST： 在通过自动编码器进行降维后，模型成功分类了 MNIST 数据集的子集（数字 0–4）。结果表明，增加神经元或层数可以提高分类能力。
非高斯门合成： QONN 经过训练以通过匹配相干态的高阶统计矩来复制三次相位门的动作 ( $\hat{V}(\gamma) = e^{i\gamma \hat{x}^3/3}$ )。结果显示，增加单层中的神经元数量或增加层数可以提高门合成的保真度。值得注意的是，作者观察到与具有等效非高斯资源的宽单层配置相比，在更深的多层配置中存在梯度消失的迹象。

意义与主张

本文声称，该架构通过结合解析可处理性、实验可行性和高表征能力，为光子量子机器学习提供了一个“甜点区（sweet spot）”。

效率 vs. 深度： 与以往依赖于包含大量非高斯事件的深层电路（这会导致成功概率呈指数级下降并需要进行 Fock 空间截断模拟）的方案不同，本方法通过浅层、单层设计实现了高表达能力。
精确性： 通过避免 Fock 空间截断，该方法提供了一种真正的连续变量拟设（ansatz）。作者认为这对于可扩展性至关重要，因为其计算成本随模式数和减法次数缩放，而不是随人为施加的光子数截断缩放。
通用性： 虽然主要关注光子减法，但作者指出，该形式化方法可以推广到任何可以表示为作用于高斯态的阶梯算符的多项式形式的非高斯资源，包括弱克尔相互作用的微扰实现。

这项工作将所提出的单层 QONN 定位为极具前景的标杆，适用于可扩展的光子量子机器学习和量子信息处理任务（如量子态工程和非高斯门合成），且无需承受确定性非高斯门带来的高昂实验开销。